PDF转结构化格式答案

【问题标题】：PDF to Structured FormatPDF转结构化格式
【发布时间】：2012-09-28 23:17:41
【问题描述】：

我有大量的 PDF 需要转换为我可以解释的结构化格式（HTML/XML/等）

到目前为止，我已经尝试了很多转换为 HTML 的软件，但它们都没有分离图像的功能，它们只是将页面的打印屏幕作为没有文本的页面，然后将此图像用作背景html，使用css定位文本

我有一堆 PDF，因此无法手动处理每个图像。有谁知道这方面的任何解决方案（甚至是付费软件）？

【问题讨论】：

标签： html xml pdf

【解决方案1】：

前段时间我遇到了类似的问题，最后编写了自己的解决方案。它被称为PDFX，可以免费使用。它将 PDF 转换为结构化格式的 XML，并单独呈现 PDF 中的任何位图图像（不是矢量图形）。

可以在here 找到示例输入/输出。您可能想尝试一下。

【讨论】：

这个很好，目前看到的最好的解决方案，非常感谢分享。
哇！这就像魅力一样。您为示例提供的链接不起作用。它是否仅作为在线服务提供？有人如何使用它进行批量转换？我正在做我的大学项目，我必须将数千篇研究论文转换成某种结构格式，以便我可以对其执行一些 NLP 任务。这个工具可以吗？
@RishabhGupta - 抱歉回复晚了，我没有收到通知。我已经 7 年没有维护这个网站了。示例链接只是您通过向系统提供这篇论文获得的结果页面（“工作详细信息”）：ncbi.nlm.nih.gov/pmc/articles/PMC2687974/pdf/btp220.pdf PDFX 在我离开大学之前已经转换了超过 70 万篇文章。如果您阅读了关于可接受使用的使用指南，您应该可以使用数千个（如果它仍然与您相关）